Normalverteilung prüfen: warum der Test allein nicht reicht

Zwei Wege, eine Frage

Ob eine Variable normalverteilt ist, lässt sich formal mit dem Shapiro-Wilk-Test oder dem Kolmogorow-Smirnow-Test prüfen. Beide liefern einen p-Wert, der angibt, wie gut die Daten mit einer Normalverteilung vereinbar sind. Ein signifikantes Ergebnis wird dabei häufig unreflektiert als "keine Normalverteilung, also nicht-parametrischer Test" gelesen, das greift aber zu kurz.

Das Problem: Bei sehr großen Stichproben werden bereits winzige, praktisch bedeutungslose Abweichungen von der Normalverteilung statistisch signifikant. Bei sehr kleinen Stichproben hat der Test dagegen kaum die Power, eine tatsächlich vorhandene Abweichung überhaupt zu erkennen. Der p-Wert allein ist damit ein unzuverlässiger alleiniger Ratgeber.

Deshalb gehört zur seriösen Prüfung immer auch der Blick auf die Daten selbst: ein Histogramm, ein QQ-Plot, und die Kennzahlen für Schiefe und Wölbung. Bei größeren Stichproben (Faustregel: ab etwa 30 pro Gruppe) greift zudem der zentrale Grenzwertsatz, der viele Verfahren auch bei leichten Abweichungen von der Normalverteilung robust macht.

Praktisches Vorgehen

• Verteilungstest UND grafische Prüfung kombinieren, nie nur den p-Wert isoliert betrachten.
• Stichprobengröße bei der Interpretation immer mitdenken.
• Bei moderaten Abweichungen und ausreichender Stichprobengröße robuste parametrische Verfahren in Betracht ziehen, statt vorschnell auf nicht-parametrische Alternativen zu wechseln.